自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

FL1623863129的博客

  • 博客(4)
  • 收藏
  • 关注
全部文章> 2017年03月
排序：
按最后发布时间
按访问量
RSS订阅
12月 11月 10月 09月 08月 07月 06月 05月 03月 02月 01月

转载 农村常见60种野生中草药

1.曼陀罗（大喇叭花、狗核桃）有毒，为镇静要药，可松弛肌肉，古代麻沸散和云南白药保险子主要成分，民间花、子、叶、根各有不同用法，分治不同疾病，子十粒嚼服可治疗失眠。2.鬼针草（婆婆针）嫩时可当菜吃，还算可口，据说对降低转氨酶效果很好。可疏散肝热。3.苦菜（天香菜）云南人称青菜为苦菜，其实图中的才是苦菜，古本草列为上

2017-03-21 16:42:13 70391

原创 胆囊炎患者日常饮食应该注意什么

1、最好不要吃油炸、油腻和高脂肪、高胆固醇的东西，例如鸡蛋可以吃蛋白最好不要吃胆固醇、肥肉也不要吃2、不要吃辛酸辣东西，例如辣椒、泡菜、酸菜等3、不要喝浓度大的饮料，例如浓咖啡和浓茶以及一些饮料4、不要吃太饱，尤其发作期间千万不能吃多，这样会加重胆囊负担，胆囊本来就处于疾病状态，千万不能让它继续高强度工作，发作期间最好吃稀饭+蔬菜，病好些可以补充一些蛋白质5、注意多休息，不要过度劳

2017-03-19 11:29:47 737

原创 治疗胆囊炎的药

消炎利胆片:清热，祛湿，利胆。用于肝胆湿热所致的肋痛，口苦；急性胆囊炎、胆管炎。茴三硫片:用于胆囊炎、胆结石及消化不适，并用于伴有胆汁分泌障碍的慢性肝炎的辅助治疗。胆胃康胶囊:舒肝利胆，清利湿热。用于肝胆湿热所致的胁痛，黄疸，以及胆汁反流性胃炎，胆囊炎见上述症状者。金龙舒胆胶囊:清热利胆，疏肝理气。用于湿热型及湿热兼气滞型的急、慢性胆囊炎。舒胆片:清热化湿，利胆排石，行气止痛。用于

2017-03-16 11:33:56 2479

转载 胆囊切除后能活多久

1 胆囊切除后能活多久 胆囊切除后对于寿命影响是不大的，胆囊切除后经过一段时间的恢复是可以和正常人一样工作和生活的，所以做了胆囊切除手术的患者也不必太过纠结胆囊切除后能活多久这个问题。 另外有些说法称胆囊切除后有增加大肠癌发生率的可能性，但发生率不高，可不必惊慌。而且胆囊只是起到暂时储存胆汁的作用，反过来胆囊起到调节胆汁分泌的作用，胆囊切除以后， 它的作用就由胆总管代替了，不存在作用缺失的

2017-03-15 17:10:58 2320

蘑菇类型识别检测数据集VOC+YOLO格式8430张21类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：8430 标注数量(xml文件个数)：8430 标注数量(txt文件个数)：8430 标注类别数：21 样本图片和详细信息参考博文：https://blog.csdn.net/FL1623863129/article/details/142370471

2024-09-19

俯视场景航拍小目标三轮车遮阳伞三轮车检测数据集VOC+YOLO格式5756张3类别.7z
重要说明：此数据集为航拍小目标三轮车，数据集部分有增强，请查看图片预览确认符合要求再下载，注意小目标一般很难训练，即训练map和精度可能偏低属于正常现象，只要能检测到目标即可。 样本图片请参考博文：https://blog.csdn.net/FL1623863129/article/details/142365294 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：5756 标注数量(xml文件个数)：5756 标注数量(txt文件个数)：5756 标注类别数：2 标注类别名称:["awning-tricycle","tricycle"] 每个类别标注的框数： awning-tricycle 框数 = 8260 tricycle 框数 = 12017 总框数：20277

2024-09-19

基于yolov8的DMS驾驶员抽烟打电话喝水吃东西检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.95 【模型可以检测出类别】 Sleepy Cigarette Drinking Phone microsleep HandsOnWheel Eating HandsNotOnWheel Seatbelt 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142355532

2024-09-19

航拍路面直行和转弯标志检测数据集VOC+YOLO格式566张9类别.7z
重要说明：图片很难找，数据集有增强，请仔细查看图片预览确认符合要求在下载 样本图片请参考博文：https://blog.csdn.net/FL1623863129/article/details/142359950 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：566 标注数量(xml文件个数)：566 标注数量(txt文件个数)：566 标注类别数：9 标注类别名称:["left","left_back","left_right","right","straight","straight_back","straight_left","straight_left_right","straight_right"]

2024-09-19

基于yolov5的不同颜色安全帽检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 yolov5依赖模块 【模型可以检测出类别】 blue none red white yellow 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142358335

2024-09-19

不同颜色的安全帽检测数据集VOC+YOLO格式7574张5类别.7z
重要说明：数据集里面有2/3是增强数据集，请仔细查看图片预览，确认符合要求在下载，分辨率均为640x640 样本图片请参考博文：https://blog.csdn.net/FL1623863129/article/details/142357410 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：7574 标注数量(xml文件个数)：7574 标注数量(txt文件个数)：7574 标注类别数：5 标注类别名称:["blue","red","white","without_helmet","yellow"] 每个类别标注的框数： blue 框数 = 6098 red 框数 = 10623 white 框数 = 8815 without_helmet 框数 = 10456 yellow 框数 = 9121 总框数：45113 使用标注工具：labelImg

2024-09-19

DMS驾驶员抽烟打电话喝水吃东西检测数据集VOC+YOLO格式5743张9类别.7z
重要说明：数据集存在增强图片，重复场景有点多，请仔细查看图片，确认符合要求在下载 样本图片查看请参考博文：https://blog.csdn.net/FL1623863129/article/details/142355532 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：5743 标注数量(xml文件个数)：5743 标注数量(txt文件个数)：5743 标注类别数：9 标注类别名称:[“Cigarette”,“Drinking”,“Eating”,“HandsNotOnWheel”,“HandsOnWheel”,“Phone”,“Seatbelt”,“Sleepy”,“microsleep”]

2024-09-19

水稻病害数据集YOLO+VOC格式3355张4类别.zip
重要说明：一共三种水稻病害，褐斑病、Hispa 和叶瘟病，图片里面均是单个叶子背景简单，请仔细查看图片预览确认符合要求再下载 样本图片查看请参考博文：https://blog.csdn.net/FL1623863129/article/details/135105493 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：3355 标注数量(xml文件个数)：3355 标注数量(txt文件个数)：3355 标注类别数：4 标注类别名称:["Hispa","Healthy","LeafBlast","BrownSpot"] 每个类别标注的框数： BrownSpot 框数 = 525 Healthy 框数 = 1489 Hispa 框数 = 565 LeafBlast 框数 = 779 总框数：3358 使用标注工具：labelImg

2024-09-19

基于yolov8的文本表格检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.95 【模型可以检测出类别】 figure list table text title 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142349553

2024-09-19

文本表格检测数据集VOC+YOLO格式6688张5类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：6688 标注数量(xml文件个数)：6688 标注数量(txt文件个数)：6688 标注类别数：5 标注类别名称:["figure","list","table","text","title"] 每个类别标注的框数： figure 框数 = 3388 list 框数 = 1671 table 框数 = 1855 text 框数 = 45018 title 框数 = 10497 总框数：62429 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 样本预览参考博文：https://blog.csdn.net/FL1623863129/article/details/142349514

2024-09-19

智慧养殖场肉鸡目标检测数据集VOC+YOLO格式3548张1类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：3548 标注数量(xml文件个数)：3548 标注数量(txt文件个数)：3548 标注类别数：1 标注类别名称:["boiler"] 每个类别标注的框数： boiler 框数 = 54270 总框数：54270 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 下载前请务必查看样张：https://blog.csdn.net/FL1623863129/article/details/142343495

2024-09-18

基于yolov8的肉鸡健康状态检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.95 【模型可以检测出类别】 AbNormal Normal 更多实现细节访问博文：https://blog.csdn.net/FL1623863129/article/details/142342406

2024-09-18

智慧养殖场肉鸡健康状态检测数据集VOC+YOLO格式4657张2类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：4657 标注数量(xml文件个数)：4657 标注数量(txt文件个数)：4657 标注类别数：2 标注类别名称:["AbNormal","Normal"] 每个类别标注的框数： AbNormal 框数 = 8447 Normal 框数 = 13163 总框数：21610 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息访问博文：https://blog.csdn.net/FL1623863129/article/details/142340382

2024-09-18

基于yolov8的红外小目标无人机飞鸟检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.95 【模型可以检测出类别】 Airplane Bird Drone Helicopter 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142336946

2024-09-18

红外微小目标无人机直升机飞机飞鸟检测数据集VOC+YOLO格式7559张4类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：7559 标注数量(xml文件个数)：7559 标注数量(txt文件个数)：7559 标注类别数：4 标注类别名称:["Airplane","Bird","Drone","Helicopter"] 每个类别标注的框数： Airplane 框数 = 971 Bird 框数 = 1214 Drone 框数 = 4242 Helicopter 框数 = 1431 总框数：7858 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 预览标注和图片更多信息参考博文：https://blog.csdn.net/FL1623863129/article/details/142334999

2024-09-18

无人机飞鸟检测数据集VOC+YOLO格式6647张2类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：6647 标注数量(xml文件个数)：6647 标注数量(txt文件个数)：6647 标注类别数：2 标注类别名称:["Bird","Drone"] 每个类别标注的框数： Bird 框数 = 3567 Drone 框数 = 4290 总框数：7857 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：https://blog.csdn.net/FL1623863129/article/details/142333919

2024-09-18

棉花叶子病害检测数据集VOC+YOLO格式977张22类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：977 标注数量(xml文件个数)：977 标注数量(txt文件个数)：977 标注类别数：22 重要说明：分辨率均为640x640，请仔细观看图片预览确认是否符合自己实际项目需求斟酌下载 下载前请务必参考博文确认数据集是否符合项目需求：https://blog.csdn.net/FL1623863129/article/details/142329963

2024-09-18

基于yolov8的舌苔识别检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.95 【模型可以检测出类别】 houbai（厚白） huihei（灰黑） houhuang（厚黄） fenhong（粉红） bobai（薄白） 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142324070

2024-09-18

基于yolov8的战斗机类型识别检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【使用步骤】 使用步骤： （1）首先根据官方框架https://github.com/ultralytics/ultralytics安装教程安装好yolov8环境，并安装好pyqt5 （2）切换到自己安装的yolov8环境后，并切换到源码目录，执行python main.py即可运行启动界面，进行相应的操作即可 【提供文件】 python源码 yolov8n.onnx模型（不提供pytorch模型） 训练的map,P,R曲线图(在weights\results.png) 测试图片（在test_img文件夹下面） 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142323060

2024-09-18

战斗机检测数据集VOC+YOLO格式10100张43类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片量(jpg文件个数)：10100 标注量(xml文件个数)：10100 标注量(txt文件个数)：10100 标注类别：43 标注类别名称:[“A10”,“A400M”,“AG600”,“AV8B”,“B1”,“B2”,“B52”,“Be200”,“C2”,“C5”,“C17”,“C130”,“E2”,“E7”,“EF2000”,“F4”,“F14”,“F15”,“F16”,“F18”,“F22”,“F35”,“F117”,“J20”,“JAS39”,“MQ9”,“Mig31”,“Mirage2000”,“P3”,“RQ4”,“Rafale”,“SR71”,“Su34”,“Su57”,“Tornado”,“Tu95”,“Tu160”,“U2”,“US2”,“V22”,“Vulcan”,“XB70”,“YF23”] 更多信息：blog.csdn.net/FL1623863129/article/details/142322747

2024-09-18

基于yolov8+lprnet的中文车牌识别系统python源码+pytorch模型+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.95 【模型可以检测出类别】 plate 视频演示：https://www.bilibili.com/video/BV1B5tYeSEyg/ 更多实现细节：https://blog.csdn.net/FL1623863129/article/details/142317812

2024-09-17

智能手机屏幕缺陷检测数据集VOC+YOLO格式1200张3类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：1200 标注数量(xml文件个数)：1200 标注数量(txt文件个数)：1200 标注类别数：3 标注类别名称:["oilspot","scratch","star"] 每个类别标注的框数： oilspot 框数 = 554 scratch 框数 = 1335 star 框数 = 1135 总框数：3024 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：https://blog.csdn.net/FL1623863129/article/details/136764515

2024-09-17

基于USTC数据集结合mediapipe和yolov5算法实现的手语视频识别系统python源码.zip
下载后提取文件即可获取源码，注意这个需要安装pyqt5,opencv-python还有pytorch，您可以按照官方yolov5环境进行安装，然后安装完毕执行main.py函数接口看到界面出来，默认是打开摄像头，您也可以修改main.py第336行为'./video/t.avi文件路径进行测试

2024-09-16

AI健身体能测试之基于paddlehub实现引体向上计数个数统计源码+模型+视频例子+视频结果文件.zip
使用环境： paddlepaddle==2.4.2 paddlehub==2.4.0 理论上安装最新paddle环境也行。 实现的细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142307043

2024-09-16

基于yolov8的茶叶病害检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.70 【模型可以检测出类别】 Black rot of tea Brown blight of tea Leaf rust of tea Red Spider infested tea leaf Tea Mosquito bug infested leaf Tea leaf White spot of tea disease 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142305205

2024-09-16

茶叶病害检测数据集VOC+YOLO格式9591张8类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：9591 标注数量(xml文件个数)：9591 标注数量(txt文件个数)：9591 标注类别数：8 标注类别名称:["Black rot of tea","Brown blight of tea","Leaf rust of tea","Red Spider infested tea leaf","Tea Mosquito bug infested leaf","Tea leaf","White spot of tea","disease"] 更多详细信息参考博文：https://blog.csdn.net/FL1623863129/article/details/142304275

2024-09-16

茶叶7种常见病害数据集茶叶病害分类数据集6749张7类别.7z
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：6749 分类类别数：7 类别名称:["Unlabeled","algal_spot","brown_blight","gray_blight","healthy","helopeltis","red_spot"] 每个类别图片数： Unlabeled 图片数：439 algal_spot 图片数：1113 brown_blight 图片数：980 gray_blight 图片数：1000 healthy 图片数：1074 helopeltis 图片数：1000 red_spot 图片数：1143 重要说明：数据集里面茶叶均为单叶，请仔细查看图片预览，斟酌下载 更多信息查看：https://blog.csdn.net/FL1623863129/article/details/142303855

2024-09-16

狗狗表情识别VOC+YOLO格式3971张4类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：3971 标注数量(xml文件个数)：3971 标注数量(txt文件个数)：3971 标注类别数：4 标注类别名称:["angry","happy","relaxed","sad"] 每个类别标注的框数： angry 框数 = 1051 happy 框数 = 1041 relaxed 框数 = 1038 sad 框数 = 1010 总框数：4140 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：https://blog.csdn.net/FL1623863129/article/details/136329961

2024-09-16

基于yolov8的谢韦尔钢材缺陷检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.70 【模型可以检测出类别】 scratches pitting crack patches 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142300152

2024-09-16

谢韦尔钢材缺陷检测数据集VOC+YOLO格式6666张4类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：6666 标注数量(xml文件个数)：6666 标注数量(txt文件个数)：6666 标注类别数：4 标注类别名称:["crack","patches","pitting","scratches"] 每个类别标注的框数： crack 框数 = 321 patches 框数 = 1911 pitting 框数 = 3085 scratches 框数 = 14700 总框数：20017 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：https://blog.csdn.net/FL1768317420/article/details/142298872

2024-09-16

基于yolov8的无人机检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 yolov5依赖模块 【模型可以检测出类别】 uav 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142298346

2024-09-16

基于yolov5的混凝土缺陷检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 yolov5依赖模块 【模型可以检测出类别】 ["Armatura in vista","Delaminazione","Efflorescenza","Fessura","Scaling","Spalling","Tracce di ruggine"] 对应中文类别 [“可见裂斑”、“分层”、“风化”、“缝隙”、“剥落”、“脱落”、“锈迹”] 更多信息：https://blog.csdn.net/FL1623863129/article/details/142297313

2024-09-16

混凝土缺陷检测数据集VOC+YOLO格式7513张7类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：7513 标注数量(xml文件个数)：7513 标注数量(txt文件个数)：7513 标注类别数：7 标注类别名称:["Armatura in vista","Delaminazione","Efflorescenza","Fessura","Scaling","Spalling","Tracce di ruggine"] 总框数：40324 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：对应中文类别 [“可见裂斑”、“分层”、“风化”、“缝隙”、“剥落”、“脱落”、“锈迹”] 更多信息：https://blog.csdn.net/FL1623863129/article/details/142294786

2024-09-16

无人机识别检测数据集VOC+YOLO格式6986张1类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：6986 标注数量(xml文件个数)：6986 标注数量(txt文件个数)：6986 标注类别数：1 标注类别名称:["uav"] 每个类别标注的框数： uav 框数 = 7588 总框数：7588 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：https://blog.csdn.net/FL1623863129/article/details/142292919

2024-09-16

痤疮严重程度分级分类数据集999张3类别.7z
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：999 分类类别数：3 类别名称:["Level_0","Level_1","Level_2"] 每个类别图片数： Level_0 图片数：387 Level_1 图片数：473 Level_2 图片数：139 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放 更多信息：https://blog.csdn.net/FL1623863129/article/details/142283582

2024-09-15

铁路列车手势分类数据集3852张5类别.7z
数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：3852 分类类别数：5 类别名称:["fache","jinzhanxinhao","tingchexinhao","yibiaozhengchang","zhenxiantinche"] 每个类别图片数： fache 图片数：783 jinzhanxinhao 图片数：882 tingchexinhao 图片数：684 yibiaozhengchang 图片数：1098 zhenxiantinche 图片数：405 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放 更多信息：https://blog.csdn.net/FL1768317420/article/details/142282367

2024-09-15

智慧交通铁路工人工服安全帽检测数据集VOC+YOLO格式3065张3类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：3065 标注数量(xml文件个数)：3065 标注数量(txt文件个数)：3065 标注类别数：3 标注类别名称:["cloth","hat","person"] 每个类别标注的框数： cloth 框数 = 7883 hat 框数 = 6515 person 框数 = 7973 总框数：22371 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注

2024-09-15

智慧交通铁路人员危险行为躺站坐检测数据集VOC+YOLO格式3766张4类别.7z
图片数量(jpg文件个数)：3766 标注数量(xml文件个数)：3766 标注数量(txt文件个数)：3766 标注类别数：4 标注类别名称:["sitting","sleeping","standing","track"] 每个类别标注的框数： sitting 框数 = 1406 sleeping 框数 = 689 standing 框数 = 1782 track 框数 = 1819 总框数：5696 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：数据集里面有很多增强图片请仔细查看图片斟酌下载。这个数据集主要是检测铁路上人的行为，铁路上动物等没有标注 更多信息：https://blog.csdn.net/FL1623863129/article/details/142281361

2024-09-15

智慧交通铁轨裂缝检测数据集VOC+YOLO格式4类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：2709 标注数量(xml文件个数)：2709 标注数量(txt文件个数)：2709 标注类别数：4 标注类别名称:["crack","large-gap","medium-gap","small-gap"] 每个类别标注的框数： crack 框数 = 878 large-gap 框数 = 275 medium-gap 框数 = 442 small-gap 框数 = 1663 总框数：3258 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：数据集有部分存在增强图片请仔细看出图片预览斟酌下载 更多信息：https://blog.csdn.net/FL1623863129/article/details/142280337

2024-09-15

智慧交通铁路异物入侵检测数据集VOC+YOLO格式802张7类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：802 标注数量(xml文件个数)：802 标注数量(txt文件个数)：802 标注类别数：7 标注类别名称:["Train","bucket","motorbike","person","stone","vehicle","wood"] 每个类别标注的框数： Train 框数 = 242 bucket 框数 = 95 motorbike 框数 = 32 person 框数 = 822 stone 框数 = 193 vehicle 框数 = 299 wood 框数 = 84 总框数：1767 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：异物包括检测人、石头、木头、车、摩托车等 更多信息：https://blog.csdn.net/FL1623863129/article/details/142280171

2024-09-15

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除